辦公建筑夏季空調負荷自適應權重PSO預測模型研究

摘 要：為提高辦公建筑夏季空調負荷預測精度，提出了一種基于自適應權重PSO算法的空調負荷預測方法，利用DEST軟件模擬西安某辦公建筑的逐時空調負荷，采用最小二乘算法建立空調負荷預測模型并進行模型參數估計，采用自適應權重粒子群算法優化參數。用該地區另一辦公建筑中某個房間的空調負荷數據進行模型驗證，得到了比較理想的預測效果，為實現空調系統的節能運行和優化控制提供理論依據。

關鍵詞：空調負荷；自適應權重；DEST軟件；PSO算法；最小二乘

1 模型影響因素分析

空調負荷的影響因素有很多，可以分為內部因素和外界因素，外界因素是指建筑外的一些氣象因素，如溫濕度、風速風向的變化、室外干球溫度、太陽輻射強度等等；內部因素主要包括建筑內溫濕度、機器和照明散熱量、人員情況等等[1-2]。選取的模型自變量為室外干球溫度和輻射強度。

2 空調系統負荷預測模型優化

2.1 多元線性回歸模型的建立

空調負荷預測中，假設空調負荷y隨著m組影響因素xi（i=1，2，3...n）的變化而變化，可得

根據以上建模方法及空調負荷數據，可以對多元線性回歸模型進行回歸系數估計、顯著性檢驗和殘差的自相關分析等，最終得出空調系統負荷的預測模型。

2.2 模型參數估計

從進化計算的角度看，可以將J作為適應度函數，只不過此時J越小對應適應度越大。由于極小化式（6）是一個在線優化問題，可以采用自適應權重法的粒子群算法求式（6）的極小值及其對應的模型參數。

2.3 基于PSO算法的模型參數優化

為了平衡PSO算法的全局搜索能力和局部改良能力，可以采用非線性的動態慣性權重系數公式，使得慣性權重隨著微粒的目標函數的值而自動改變，因此稱為自適應權重，其表達是如下：

式中wmax和wmin分別表示w的最大值和最小值，f用來表示粒子當前的目標函數值，favg表示當前所有微粒的平均目標值，fmin用來表示所有微粒的最小目標值。當每個微粒的目標值趨于相同或者趨于局部最優時，將增加慣性權重，而各微粒的目標值比較分散時，將減小慣性權重，同時對于目標函數值優于平均目標值的微粒，其對應的慣性權重因子較小，從而保護了該微粒。

3 工程實例分析

選取夏季西安地區某辦公建筑來建立空調負荷預測模型，大樓共21層，層高3.5米，建筑面積為24225平方米，建筑為混凝土剪力墻結構，外墻為外保溫式的加氣混泥土砌塊；窗框材料采用斷橋鋁合金，玻璃采用普通白玻璃（玻璃和玻璃間層厚度為6mm）。空調工作時間為08：00～18：00，用于建模的空調負荷樣本由動態負荷計算軟件 DEST-C模擬計算獲得。確定自變量為空調負荷，因變量為實測空調瞬時負荷y，室外干球溫度x1，總輻射x2。由最小二乘算法回歸后的參數代入（4）式，我們就能得到空調負荷預測模型線性回歸方程式為：

模型的預測效果是否良好，空調負荷曲線擬合是否精確，為了便于觀察，選取該地區另一辦公建筑中的某個房間一周的逐時空調負荷與模型預測負荷進行擬合，則有圖1所示仿真出預測值和實際值的擬合效果。

從圖2可以看出，采用自適應權重PSO算法優化過后模型的殘差很小，誤差相對于實際的運行數據很好的控制在了8%以下，使得建筑空調系統負荷預測的精度得到了提高。

4 結束語

通過對模型參數的優化，提高了空調負荷預測結果的可靠性。由此表明，該建模方法在空調負荷預測方面具有很高的預測精度和更好的泛化能力，具有較強的可行性和實用性。

參考文獻

[1]趙超，戴坤成，黃云云.灰色-支持向量機的空調負荷預測[J].計算機與應用化學，2014.

[2]李玉云 ，王永驥.人工神經網絡在暖通空調領域的研究發展[J].暖通空調，2001，31（1）：38-41.